ARTICLE · 1046469
从老板患上AI狂热症看职场困境:当算法开始干预决策,普通员工该如何评估自己的替代风险?
从老板患上AI狂热症看职场困境:当算法开始干预决策,普通员工该如何评估自己的替代风险?
2025年底，国内某头部大厂的后端开发工程师阿华（化名）遇到了职业生涯里最荒谬的一次绩效危机。公司强制推行自研AI编程助手，规定程序员的“AI代码生成占比必须达到30%以上”，否则扣减季度绩效。 为了保住年终奖，阿华和同事们开始跟KPI系统斗法。他不再写原本只要10行的简洁逻辑，而是命令AI把代码扩写成100行，再附带100行毫无用处的注释。AI代码采用率飙升到45%，超额完成考核。阿华自己说：“这简直是花着公司的钱，在Git仓库里拉屎。” 太平洋彼岸也差不多。亚马逊西雅图总部撤销了内部的AI助手使用排行榜，因为员工为了排名，让AI执行了大量毫无业务价值的调用，月底账单吓得领导赶紧叫停。Meta上线过一个叫“Claudeonomics”的榜单，员工消耗的Token越多排名越高，垫底的面临被裁。榜单上线一个月，第一名每月消耗近50万美元，折合近3000亿个Token。不久后这个榜单被悄悄下架。 还有更直接的。Klarna的CEO从没写过代码，但迷上了用AI做“氛围编程”。他花大约20分钟用Cursor生成一个功能原型，然后拿到工程团队面前说：“你看，我已经做出来了，它就是这么运作的，你们觉得能按这个做吗？”他的公司从2022年的5527名全职员工裁到2024年底的3098人，理由是“利用AI提升运营效率”。到了2025年，Klarna又开始重新招聘人类客服，CEO承认过度依赖AI导致服务质量下降，公司“走得太远了”。 这帮拍板的大老板根本不懂AI，但他们坚信AI能替他们省钱。高德纳2025年的调研显示，因AI提升效率导致的裁员实际不到1%。但大规模裁员确实发生了。不是AI太强，是老板太信AI。有个研发跟我说，他们公司砍了一个团队，理由就是“这块业务可以用AI替代”，但具体怎么替代，没人说得清。 加拿大公共政策研究所2025年发布过一份自动化风险评分，把技能和工作活动按替代风险排了一遍。看评分表之前，先想想你身边那些干了十年还没被优化掉的人每天都在干什么。带新人的老员工，教实习生改方案，帮下属擦屁股，这些事评分最低。在一个项目出问题的时候，能拍板说“先保交付、后补流程”的人，评分也低。跨部门吵得不可开交时，能把两边拉回桌上谈拢的人，评分同样低。 评分最高的是什么？写标准报告，填表格，做数据汇总，整理会议纪要。这些活有明确输入输出，AI干得又快又稳。 问题来了。如果你的日常工作里，填表格和写报告占了八成，剩下两成才是跟人打交道和做判断，那八成的部分正在被压缩，剩下两成撑不起一个全职岗位。反过来，如果你的工作大部分时间花在“这个人的状态不对，今天不适合谈这件事”“客户嘴上说价格贵，其实是在担心交付风险”这类判断上，那你的位置暂时稳。但前提是，你得让老板看见这些判断的价值。老板看不见的话，他会觉得你每天就是在聊天。 想看老板是在盲目跟风还是玩真的，先看他怎么发绩效。把AI使用率、Token消耗量写进考核的，基本属于跟风。Meta的Token榜单、阿华公司的AI代码生成率指标，都是这一类。政策驱动力是管理者怕掉队，不是业务需要。再看公司有没有公开过AI替代某个岗位后的实际效果对比数据。Klarna宣传AI客服处理了三分之二的对话，后来服务质量下滑又重新招人。只喊口号不给数据的，说明自己也没搞清楚。 把上个月的工作盘一遍，看看有多少事是闭着眼按流程就能干完的。写周报、做数据表、起草标准合同、整理会议记录。这些事占你多少时间？如果超过一半，你就在AI射程范围内。剩下一半时间你在干什么，那才是你的底牌。 一个做运营的朋友说，她以前的工作流程已经很完善了，现在大家还在卷如何让AI更好地替自己完成工作，有种自掘坟墓的感觉。这种感觉是对的。当全组都在比谁的AI用得好，比的是谁更快把自己的活交出去。 别把“精通AI工具”写在简历最前面了，这玩意儿过几个月就贬值。你今天会的提示词技巧，下一代模型直接内置。真正难替代的是问题定义能力、领域知识深度和跨域整合能力。一个能说清楚“这个项目真正的瓶颈在哪、为什么用现有方法解决不了、需要什么资源”的人，比一个会用十种AI工具但说不清问题的人难替代得多。 如果老板明天宣布“这个岗位可以用AI替代”，你拿什么证明他错了？ 从现在开始，每周留一份“AI做不到”的工作记录。不是写日记，是留证据。比如AI生成的分析报告里有一个数据引用错误，你在发出前改过来了，把这个过程记在邮件里抄送相关人。比如两个部门因为AI排期吵起来，你协调完把解决方案写成会议纪要发出去。比如客户投诉AI客服答非所问，你接手处理完把案例记下来。 这些具体记录是你面试下一份工作时最管用的东西，因为它们证明你能做AI做不了的事。更重要的是，它们在你现在这份工作里留下痕迹。老板看AI使用率的时候，你拿不出Token消耗量，但你拿得出“本月修复AI输出错误7处，协调跨部门冲突2次，处理AI无法应答的客户投诉5起”。数字不比Token好看，但每一条都对应真实业务结果。 阿华后来在Git仓库里堆的那些AI生成的冗余代码，最终要有人重构。Klarna重新招聘的客服，最终要面对被AI客服搞烦了的客户。老板的AI狂热会退潮，但退潮之前，你得先把自己从那个被数字假动作撑起来的KPI里捞出来。 先看清哪些事AI真的在做，哪些事只是老板觉得AI在做。这两件事之间的差距，就是你现在的风险敞口。